Comment modéliser des effets réciproques dans le temps ? Introduction aux modèles croisés-décalés ‘nouvelle génération’

Qui, de la poule ou de l'œuf, vient en premier ? De nombreuses études explorent les relations réciproques dans le temps, cherchant à déterminer si la relation est unidirectionnelle (X influence Y) ou bidirectionnelle (X influence Y, qui influence ensuite X). Par exemple, la sensibilité politique favorise-t-elle l’engagement citoyen, ou est-ce l’inverse ? Pour y répondre en contexte naturel, les études utilisent des données longitudinales afin d'estimer si des évolutions en X conduisent à des évolutions en Y (ou inversement). Traditionnellement, les modèles à niveau initial contrôlé (effet de X à T1 sur Y à T2, en contrôlant Y à T1) et surtout les CLPM (modèles autorégressifs croisés-décalés) ont été considérés comme les plus appropriés. Cependant, des avancées techniques montrent que ces modèles traditionnels peuvent créer des artefacts statistiques, où des corrélations apparaissent comme des effets directionnels (faux positifs). Dans cette présentation, j’expliquerai dans quelles conditions cela se produit et comment y remédier pour renforcer l’analyse et l’interprétation causale des effets réciproques.